Grundlagen des maschinellen Lernens

Grundlagen des maschinellen Lernens

• Maschinelles Lernen verbindet Data Science mit Softwareentwicklung, um Vorhersagemodelle aus Daten zu erstellen.
• Ziel ist, unbekannte Ergebnisse anhand früherer Beobachtungen vorherzusagen, z.B. Verkaufszahlen in einer Eisdiele, basierend auf Wetterdaten.

Funktion des maschinellen Lernens

• Ein ML-Modell ist eine Softwareanwendung, die Ausgabewerte (y) aus Eingabewerten (x) berechnet.
• Trainingsdaten bestehen aus Beobachtungen mit Features (x) und Bezeichnungen (y); in medizinischen Szenarien beispielsweise klinische Messwerte und Diabetesrisiko.
• Ein Algorithmus erstellt eine Beziehung zwischen Features und Bezeichnungen, um ein Modell (f) zu bilden, das zur Vorhersage unbekannter Werte verwendet wird.

Arten von maschinellem Lernen

• Überwachtes maschinelles Lernen: Modelle werden mit Trainingsdaten trainiert, die sowohl Feature-Werte als auch bekannte Bezeichnungswerte enthalten.
  • Regression: Vorhersage eines numerischen Wertes, z.B. Tagesverkaufszahlen von Eiscreme.
  • Klassifizierung: Vorhersage einer Kategorie oder Klasse.
    • Binäre Klassifizierung: Vorhersage zwischen zwei möglichen Ergebnissen (z.B. Diabetesrisiko).
    • Multiklassen-Klassifizierung: Vorhersage unter mehreren Klassen (z.B. Pinguinarten).

Unüberwachtes maschinelles Lernen

• Modelle werden mit Daten trainiert, die nur aus Feature-Werten ohne bekannte Bezeichnungen bestehen.
• Clustering: Identifizierung von Ähnlichkeiten zwischen Beobachtungen, z.B. Gruppierung von Blumenarten.

Regressionsauswertungsmetriken

• Mittlere absolute Abweichung (MAE): Durchschnitt der absoluten Unterschiede zwischen prognostizierten und tatsächlichen Werten.
• Mittlere quadratische Abweichung (MQA): Durchschnitt der quadrierten Abweichungen.
• Mittlere quadratische Gesamtabweichung (RMSE): Quadratwurzel der MQA, z.B. RMSE für Eiscreme beträgt 2,45.
• Bestimmtheitsmaß (R²): Misst, wie gut das Modell die Varianz der Daten erklärt (Wert zwischen 0 und 1).

Evaluierung von Klassifikationsmodellen

• Genauigkeit: Anteil korrekter Vorhersagen.
• Abruf (Recall): Anteil der tatsächlich positiven Fälle, die korrekt identifiziert wurden.
• Precision: Anteil der vorhergesagten positiven Fälle, die tatsächlich positiv sind.
• F1-Score: Kombinierte Metrik aus Abruf und Genauigkeit.
• AUC: Fläche unter der ROC-Kurve, bewertet die Performance des Modells bei verschiedenen Schwellenwerten.

Clustering und k-Means

• Training eines Clustermodells erfordert die Definition von k (Anzahl der Cluster).
• Datenpunkte werden den nächstgelegenen Schwerpunkten zugewiesen und diese werden neu justiert, bis Stabilität erreicht ist.
• Evaluierung von Clustern umfasst die Messung der mittleren Abstände zu den Schwerpunkten und die Silhouette, die die Cluster-Trennung bewertet.

Deep Learning

• Fortgeschrittene Form des maschinellen Lernens, die neuronale Netze nutzt, um das Lernen des menschlichen Gehirns zu simulieren.

Azure Machine Learning

• Cloud-Dienst von Microsoft zum Training, zur Bereitstellung und Verwaltung von ML-Modellen.
• Automatisiertes maschinelles Lernen: Erleichtert Laien die Erstellung von Modellen aus Daten.
• Azure Machine Learning-Designer: Codefreie Entwicklung von ML-Lösungen.
• Datenmetrikvisualisierung: Unterstützung bei der Analyse und Optimierung von Experimenten.
• Integration von Jupyter-Notebooks für das Schreiben und Ausführen von benutzerdefiniertem Code.

Dieser Quiz behandelt die Grundlagen des maschinellen Lernens, einschließlich der Verbindung zwischen Data Science und Softwareentwicklung. Erfahren Sie, wie Vorhersagemodelle aus Daten erstellt werden und welche Algorithmen dabei eine Rolle spielen. Testen Sie Ihr Wissen über verschiedene Arten von maschinellem Lernen.